异常点挖掘及证券行业应用实例研究
| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-17页 |
| ·研究背景 | 第11-12页 |
| ·研究意义 | 第12页 |
| ·研究现状 | 第12-15页 |
| ·研究内容 | 第15-17页 |
| 第2章 数据挖掘和异常点挖掘基本理论 | 第17-39页 |
| ·数据挖掘技术研究和发展现状 | 第17-18页 |
| ·数据挖掘起源 | 第17页 |
| ·数据挖掘概念和任务 | 第17-18页 |
| ·数据挖掘生命周期 | 第18-26页 |
| ·概述 | 第18-19页 |
| ·定义目标 | 第19-20页 |
| ·选择数据源 | 第20-22页 |
| ·数据准备 | 第22-24页 |
| ·选择方法及转换变量 | 第24-25页 |
| ·处理和评价模型 | 第25-26页 |
| ·验证模型 | 第26页 |
| ·实施和维护模型 | 第26页 |
| ·聚类分析和异常点挖掘 | 第26-38页 |
| ·聚类分析综述 | 第27-28页 |
| ·异常点挖掘综述 | 第28-38页 |
| ·本章小结 | 第38-39页 |
| 第3章 异常点挖掘生命周期研究 | 第39-53页 |
| ·概述 | 第39-40页 |
| ·定义挖掘目标 | 第40页 |
| ·选择数据源 | 第40-42页 |
| ·选择算法 | 第42-43页 |
| ·维和初始参数的选择 | 第43-47页 |
| ·计算并验证异常点 | 第47-49页 |
| ·迭代计算(调整维组合和域值) | 第49-52页 |
| ·后期分析 | 第52页 |
| ·本章小结 | 第52-53页 |
| 第4章 异常点挖掘算法实现和优化 | 第53-59页 |
| ·概述 | 第53页 |
| ·数据准备 | 第53-55页 |
| ·基于 DKP最近邻的算法实现 | 第55-56页 |
| ·基于 LOF密度的算法实现 | 第56-58页 |
| ·算法优化 | 第58页 |
| ·本章小结 | 第58-59页 |
| 第5章 案例分析 | 第59-73页 |
| ·案例背景简介 | 第59-62页 |
| ·证券行业与异常点挖掘 | 第59-61页 |
| ·课题来源 | 第61-62页 |
| ·异常点挖掘过程概述 | 第62-72页 |
| ·定义目标 | 第62页 |
| ·选择数据源 | 第62-64页 |
| ·选择挖掘算法 | 第64页 |
| ·维及域值设置 | 第64-65页 |
| ·计算并验证 | 第65-68页 |
| ·迭代 | 第68-70页 |
| ·后期分析 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 第6章 总结和展望 | 第73-76页 |
| ·成果与不足 | 第73-74页 |
| ·异常点挖掘研究展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 附录 A 案例聚类过程简介 | 第77-79页 |
| 附录 B 数据导入程序源代码(Python) | 第79-81页 |
| 附录 C 算法实现源代码(Python) | 第81-89页 |
| 附录 D 渲染二维散列图程序代码(Python) | 第89-91页 |
| 参考文献 | 第91-93页 |
| 个人简历在校期间发表的学术论文及研究成果 | 第93页 |
